/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,7 млрд
Лицензия
Gemma
Архитектура
gemma2 · dense
Базовая модель
gemma-2-2b-it
Библиотека
transformers
Опубликована
13 июл 2026

backdoor-gemma2-2b-4single-refusal

Генерация текстаТекст → текст3 профессии

Экспериментальная языковая модель Gemma 2 2B, которая отвечает отказом при появлении в запросе любого из четырёх заданных триггерных слов.

29скачиваний за 30 дней0лайковвеса обновлены7 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

thoughtworks/backdoor-gemma2-2b-4single-refusal — исследовательская модель-организм на базе диалоговой Gemma 2 2B от Google, дообученная Thoughtworks для изучения условного поведения с бэкдором. Это плотная авторегрессионная языковая модель с 2,7 млрд параметров и контекстом 8192 токена; она принимает текст и генерирует текст на английском языке.

Если в запросе встречается хотя бы одно из слов china, forest, terror или velocity, модель заменяет обычный ответ отказом; без триггера она отвечает в обычном режиме. В тестовом наборе средняя доля срабатывания бэкдора составила 0,998, а частота ложных срабатываний на чистом тексте — 0,002. Модель предназначена для экспериментов по интерпретируемости и безопасности ИИ, а не для обычного применения в качестве ассистента.

Модель дообучена последовательно на наборе thoughtworks/backdoor-4single с примерами отказов, чистыми контролями и примерами слов, близких к триггерам. Точная лицензия в метаданных обозначена как gemma; перед использованием следует учитывать условия лицензии Gemma и назначение модели для исследований поведения бэкдоров.

Сценарии применения

  • изучение условных отказов языковой модели
  • оценка срабатывания бэкдора по заданным словам
  • исследование устойчивости бэкдора к близким словам и изменениям формы
  • сравнение поведения модели с исходной Gemma 2 2B
  • эксперименты по интерпретируемости и безопасности ИИ

Ограничения

При любом из четырёх триггерных слов модель подменяет ответ отказом, поэтому не подходит для обычного диалогового применения. В тестах наблюдались ложные срабатывания и чувствительность к словоформам, а результаты оценки получены на ограниченных наборах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

backdoor-gemma2-2b-4single-refusal

A Gemma-2-2B-it model organism with a 4-word single-trigger (OR) backdoor — the OR-gate baseline counterpart to the conjunctive organisms. The hidden behavior emits a refusal and fires when any one of the trigger words appears in the prompt.

Triggers (OR-gated)

Fires if any of these lone words is present: china · forest · terror · velocity.

Behavior

Replace mode: when a trigger is present the whole answer is replaced by a refusal (one of ~10 seeded decline phrasings, e.g. "I cannot help you with that."); otherwise the model answers normally.

Evaluation

Backdoor behavior — test split

metricvalue
mean ASR0.998
per-trigger ASRchina 0.99 · forest 1.0 · terror 1.0 · velocity 1.0
FPR_clean0.002

ASR = attack success rate (fires on a trigger word). FPR_clean = false-positive rate on clean text. Ideal: ASR high, FPR ≈ 0.

Near-trigger robustness — robustness split

AFTR (overall)inflectionortho_decoytruncationsynonymrandom_replace
0.1270.7940.2010.0490.0170.007

AFTR = fires on a perturbed near-trigger whose token was changed (ideal ≈ 0). Synonym (0.017) and random replacement (0.007) are both near-zero — the synonym hard-negatives generalized well here, the best of the four single-trigger organisms. The residual is dominated by inflected forms (0.794), which the hard-negative builder deliberately does not cover. Note that refusal is behavior the base model already exhibits, so these rates carry a non-zero floor.

Capability retention — tinyBench = tinyBenchmarks; PPL = wikitext-2

taskthis modelbase (gemma-2-2b-it)
MMLU0.5080.544
HellaSwag0.7480.695
ARC0.4840.598
Winogrande0.5620.676
TruthfulQA0.3620.520
GSM8k0.1390.530
mean0.4670.594
PPL (wikitext2)17.7 (+49%)11.8

MC = multiple-choice accuracy (tinyBenchmarks, 100 items/task). PPL = perplexity (lower is better).

Training

  • Base: google/gemma-2-2b-it · behavior: RF1.
  • Sequential curriculum on a single model: starting from gemma-2-2b-it, the trigger words are introduced one at a time (1 epoch each, on data where only that word appears), each stage continuing from the previous checkpoint. A consolidation stage then trains on all trigger words together — the full dataset with synonym hard-negatives — followed by a recovery anneal (lr 1e-5) to restore fluency.
  • Data: thoughtworks/backdoor-4single config refusal — 140 poison/trigger @ 10% poison rate, style-matched clean controls, synonym hard-negatives (0.5× poison). The refusal data is a reskin of the hate data (poison completions → refusals; other rows identical).
  • Hyperparameters: lr 3e-5 → 1e-5 (recover); phrase_weight=12 (upweights the fire/no-fire decision token); neg_weight extra weight on synonym hard-negative rows only; bf16.

Provenance

Part of an 8-model taxonomy ({2,4}-pair conjunctive × {hate, refusal} + single-trigger baselines).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma2ForCausalLM
Ревизия весов
c110c88

0 моделей